硬件校准学习以补偿基于模拟 RRAM 的脉冲神经网络中的异构性
神经与进化计算
2022-02-11 v1 信号处理
摘要
脉冲神经网络（SNNs）能够释放基于模拟电阻式随机存取存储器（RRAMs）的电路在低功耗信号处理方面的全部潜力。其固有的计算稀疏性自然带来了能效方面的优势。实现鲁棒 SNN 的主要挑战在于模拟 CMOS 电路和 RRAM 技术两者固有的变异性（异构性）。在本工作中，我们评估了使用 130\,nm 技术节点设计和制造的基于 RRAM 的神经形态电路的性能和变异性。基于这些结果，我们提出了一种神经形态硬件校准（NHC）SNN，其中学习电路根据测量数据进行校准。我们表明，通过在片外学习阶段考虑测量到的异构性特征，NHC SNN 能够自我纠正其硬件非理想性，并学习以高准确率解决基准任务。这项工作展示了如何应对神经元和突触的异构性，以提高时序任务中的分类准确率。
引用
@article{arxiv.2202.05094,
title = {Hardware calibrated learning to compensate heterogeneity in analog RRAM-based Spiking Neural Networks},
author = {Filippo Moro and E. Esmanhotto and T. Hirtzlin and N. Castellani and A. Trabelsi and T. Dalgaty and G. Molas and F. Andrieu and S. Brivio and S. Spiga and G. Indiveri and M. Payvand and E. Vianello},
journal= {arXiv preprint arXiv:2202.05094},
year = {2022}
}
备注
Preprint for ISCAS2022